Sensoriamento Remoto e Mudanças de Uso e Cobertura

Classificação, Séries Temporais e Validação Cartográfica
Geotecnologias e SIG

Luiz Diego Vidal Santos

Universidade Estadual de Feira de Santana (UEFS)

Visão Geral

Tópicos Principais

  • 1 Interação radiação-vegetação
  • 2 NDVI, EVI e NDFI
  • 3 Classificadores (RF, SVM, U-Net)
  • 4 Séries temporais (BFAST, LandTrendr)
  • 5 PRODES, DETER e MapBiomas
  • 6 Validação e reporte de incerteza

Objetivo Central

Compreender os fundamentos espectrais, os métodos de classificação e detecção de mudanças, e os protocolos de validação cartográfica utilizados no monitoramento orbital da cobertura vegetal e das transições de uso da terra.

1 - INTERAÇÃO RADIAÇÃO-VEGETAÇÃO

Comportamento espectral da canopia

A canopia foliar opera como filtro anisotrópico cuja resposta espectral varia em três domínios:

Domínio Processo dominante
Visível (400-700 nm) Absorção por clorofilas a e b
NIR (700-1300 nm) Múltiplo espalhamento no mesofilo
SWIR (1300-2500 nm) Absorção por água e lignina

A reflectância NIR (\(\rho_{NIR}\)) eleva-se com a estrutura foliar intacta, enquanto estresse hídrico reduz \(\rho_{NIR}\) e eleva \(\rho_{RED}\).

Importância para o monitoramento

O contraste entre absorção no vermelho e espalhamento no NIR é a base dos índices de vegetação.

Na Caatinga, a deciduidade sazonal gera oscilações abruptas, exigindo:

  • Séries temporais densas
  • Composições percentílicas
  • Filtros de nuvens robustos

Somente assim é possível isolar flutuações fenológicas de distúrbios antropogênicos (Jensen 2016).

2 - ÍNDICES DE VEGETAÇÃO

NDVI e EVI

NDVI (Rouse et al. 1974)

\[NDVI = \frac{\rho_{NIR} - \rho_{RED}}{\rho_{NIR} + \rho_{RED}}\]

EVI (Huete et al. 2002)

\[EVI = G \times \frac{\rho_{NIR} - \rho_{RED}}{\rho_{NIR} + C_1\rho_{RED} - C_2\rho_{BLUE} + L}\]

com \(G = 2{,}5\), \(C_1 = 6\), \(C_2 = 7{,}5\), \(L = 1\).

O EVI reduz saturação em dosséis densos e minimiza efeito de aerossóis e solo.

NDFI para degradação florestal

O NDFI (Souza Jr. et al. 2013):

\[NDFI = \frac{G_V - (N_{PV} + S)}{G_V + (N_{PV} + S)}\]

onde \(G_V\) é vegetação íntegra, \(N_{PV}\) vegetação não fotossintética e \(S\) solo/sombra.

Degrada linearmente conforme a intensidade do distúrbio, sendo essencial para detectar degradação subcanópica na Amazônia.

SAVI e aplicações no Cerrado

O SAVI (Soil Adjusted Vegetation Index) incorpora fator \(L\) para mitigar o brilho do solo:

\[SAVI = \frac{(\rho_{NIR} - \rho_{RED})(1 + L)}{\rho_{NIR} + \rho_{RED} + L}\]

No Cerrado, a heterogeneidade intra-sazonal obriga calibrar com \(L = 0{,}25\) entre fisionomias campestres e florestais abertas.

Comparação de índices

Índice Melhor uso Limitação
NDVI Monitoramento geral Satura em dosséis densos
EVI Florestas tropicais Requer banda azul
SAVI Áreas de solo exposto Fator L empírico
NDFI Degradação amazônica Requer desmistura

3 - CLASSIFICADORES

Random Forest, SVM e U-Net

Random Forest

Lógica de voto majoritário entre centenas de árvores de decisão. Alto desempenho em cenários ruidosos, robusto a outliers.

Support Vector Machine (SVM)

Maximiza margens hiperplanares em espaços de kernel. Adequado para conjuntos menores e homogêneos.

U-Net (encoder-decoder)

Capta dependências espaciais e texturais sem pré-extração de feições. Risco de sobreajuste morfotópico quando amostragem é insuficiente.

Detecção de mudanças

Duas vias complementares:

Álgebra de mapas

\(\Delta = NDVI_{t} - NDVI_{t-1}\)

Eficiente computacionalmente, mas sensível a ruído atmosférico.

Pós-classificação

Calcula transições específicas via matrizes de probabilidade de Markov, porém acumula erros de cada etapa (Pontius et al. 2004).

4 - SÉRIES TEMPORAIS

BFAST e LandTrendr

BFAST (Verbesselt et al. 2010)

Decompõe a série em tendência e sazonalidade, aplicando regressão descontínua com critérios de informação bayesiana para localizar quebras estruturais na trajetória de reflectância.

LandTrendr (Kennedy et al. 2010)

Ajusta modelos de segmentos lineares ao longo de eixos temporais de índices espectrais, gerando geometria poligonal que simboliza episódios de distúrbio e regeneração.

Diagnóstico processual

Ao vincular atributos de:

  • Intensidade do distúrbio
  • Duração da perturbação
  • Velocidade de recuperação

esses algoritmos oferecem diagnóstico consideravelmente mais rico do que a simples binarização desmatado vs. não desmatado.

Plataformas como Google Earth Engine (Gorelick et al. 2017) viabilizam extrações sobre cubos temporais de bilhões de pixels em minutos.

5 - PRODES, DETER E MAPBIOMAS

Sistemas operacionais brasileiros

PRODES (INPE)

Métricas anuais auditáveis de corte raso. Acurácia global \(OA = 0{,}89\) e Kappa de \(0{,}86\) (\(IC_{95\%}\,\pm\,0{,}02\)) no ciclo 2022.

\[OA = \frac{\sum_{i} d_{ii}}{N}\]

DETER (INPE)

Classificação automática a cada 5 dias sobre cenas WFI CBERS e Sentinel-1. Alertas ao IBAMA em até 24 horas, alimentando compliance florestal e cenários de emissão de CO₂.

MapBiomas

Cadastros anuais com resolução de 30 m e 27 classes temáticas para todos os biomas brasileiros.

Evolução da acurácia no Cerrado

Ciclo OA Erro comissão (corte raso)
2016 0,85 18%
2020 0,87 12%
2023 0,89 9%

A redução progressiva do erro de comissão atesta a maturidade do sistema.

6 - VALIDAÇÃO E INCERTEZA

Protocolo de Olofsson et al. (2014)

A confiabilidade cartográfica repousa na matriz de confusão estratificada cujas proporções ponderadas por área ajustam estimativas globais.

Área estimada por classe

\[\hat{A}_k = \sum_{i} p_{ik} \cdot A_T\]

onde \(p_{ij}\) são proporções de pixels com referência \(i\) classificados como \(j\) e \(A_T\) é a área total.

Requisitos amostrais

Mínimo \(n \geq 50\) amostras por classe para manter erro padrão abaixo de 5 pontos percentuais.

Métricas obrigatórias

Métrica O que mede
Acurácia global (OA) Concordância geral
Acurácia do produtor (PA) 1 - erro de omissão
Acurácia do usuário (UA) 1 - erro de comissão
Kappa Concordância corrigida pelo acaso

Erros de omissão e comissão devem ser reportados individualmente para que o tomador de decisão compreenda a direcionalidade do viés (Congalton e Green 2009).

Referências

  • Congalton, R. G.; Green, K. (2009). Assessing accuracy of remotely sensed data. CRC Press.
  • Gorelick, N. et al. (2017). Google Earth Engine. Remote Sensing of Environment, 202, 18-27.
  • Huete, A. et al. (2002). MODIS vegetation indices. Remote Sensing of Environment, 83, 195-213.
  • Jensen, J. R. (2016). Introductory digital image processing. Pearson.
  • Kennedy, R. E. et al. (2010). LandTrendr. Remote Sensing of Environment.
  • Olofsson, P. et al. (2014). Good practices for estimating area and accuracy. Remote Sensing of Environment.
  • Pontius, R. G. et al. (2004). Detecting important categorical land changes. Agriculture, Ecosystems and Environment.
  • Rouse, J. W. et al. (1974). Monitoring vegetation systems with ERTS. NASA SP, 351, 309.
  • Souza Jr., C. M. et al. (2013). Ten-year Landsat classification. Remote Sensing.
  • Verbesselt, J. et al. (2010). Detecting trend and seasonal changes. Remote Sensing of Environment.

Obrigado!

Luiz Diego Vidal Santos

Universidade Estadual de Feira de Santana (UEFS)